GCN
文章平均质量分 93
wwj灬
这个作者很懒,什么都没留下…
展开
-
Coupled Layer-wise Graph Convolution for Transportation Demand Prediction
Coupled Layer-wise Graph Convolution for Transportation Demand Prediction一级目录二级目录三级目录1.文章概述2.Methodology2.1 Adjacency Matrix Generation2.2 Coupled Layer-wise Graph Convolution2.3 Multi-level Aggregation2.4 Temporal Dependence Modeling一级目录二级目录三级目录1.文章概述原创 2021-10-26 20:30:30 · 275 阅读 · 0 评论 -
Spatial-Temporal Synchronous Graph Convolutional Networks: A New
1.文章概述当前的一些方法使用不同的模块对不同关系进行建模,本文作者为了同时提取时空关系提出了一个新的模型STSGCN,该模型通过设计了一个时空同步建模机制 和 对不同时间周期设置不同模块分别捕捉时空依赖性和异构性(不同时间阶段有不同的依赖性)。作者认为在时空预测任务中存在三种关系:空间依赖性,时间依赖性,时空依赖性。当前大部分方法通过同模块捕捉前两种依赖性,第三种依赖性在网络中间接捕捉,作者认为如果可以直接同时捕捉时空依赖对数据的预测非常有效。此外作者认为时空网络数据通常在空间和时间维度上都表现出异原创 2021-10-21 16:59:15 · 339 阅读 · 0 评论 -
Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction
Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction1. 文章概述作者认为距离较远的道路之间更多的语义成对关联对于交通流预测也是至关重要的,为了联合建模道路网络中具有各种全局特征的空间、时间、语义相关性,提出了一种深度学习的交通流预测框架——时间多图卷积网络。本文主要工作如下:根据不同语义关联构建了多个图使用循环神经网络建模时间关联全连接层融合时空关联和全局特征三种依赖关系:空间相关性:相邻路段对道路原创 2021-09-22 16:58:11 · 764 阅读 · 1 评论 -
Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting
Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting1.文章概述当前方法不足:交通数据实时变换,但大多数方法使用预定义图道路的语义相似性没被考虑到创新点:通过寻找道路节点的空间邻域和语义邻域来构造动态加权图多头自注意时间卷积网络被用来捕获历史观测中的局部和远程时间依赖关系提出了一种自适应图门控机制2. 问题定义[Xt−T+1,⋯ ,Xt;G]⟶f(⋅)[原创 2021-09-15 21:57:45 · 533 阅读 · 0 评论 -
Connecting the Dots 基于图神经网络的多元时间序列预测
Connecting the Dots: 基于图神经网络的多元时间序列预测1.文章概述多元时间序列预测背后的一个基本假设是,它的变量相互依赖。但现有方法未能充分利用变量对之间潜在的空间依赖性。近年来,图神经网络在处理关系依赖方面表现出了很高的能力。但是GNNs需要定义良好的图结构来进行信息传播,这意味着它们不能直接应用于依赖关系事先未知的多元时间序列。基于上述原因,本文作者提出了一个通用的图神经网络框架,专门为多元时间序列数据设计。1.1 相关工作统计学方法:VAR、GP等方法基于变量是线性相关的假原创 2021-08-10 11:40:54 · 1790 阅读 · 0 评论 -
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction Benchmark and Solution
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution1. 文章概述1.1 当前不足交通图拓扑的动态特性需要进一步建模。预定义邻接矩阵和自适应邻接矩阵都是随时间变化的静态矩阵,不足以反映现实中路网拓扑的动态特性。静态的基于距离的图和动态的基于属性的图从不同的角度描述了交通网络的拓扑结构,因此将它们结合起来可以为模型提供更大的范围来捕捉空间依赖关系。然而,大多数作品未能在原创 2021-08-02 20:59:30 · 1569 阅读 · 0 评论